---
title: "Comércio Brasileiro de Aço: Uma Análise Visual (2016-2024)"
author: "Julia Teixeira"
output: 
  flexdashboard::flex_dashboard:
    orientation: rows
    vertical_layout: fill
    theme: flatly
    source_code: embed
---

```{r setup, include=FALSE}
# Pacotes necessários
library(flexdashboard)
library(tidyverse)
library(readxl)
library(plotly)
library(DT)
library(leaflet)
library(scales)

# Configuração
options(scipen = 999)
knitr::opts_chunk$set(echo = FALSE, warning = FALSE, message = FALSE)

base_dir <- "C:\\Users\\julia\\OneDrive\\Documentos\\FGV\\TCC 2"

# Países da amostra
sample_iso <- c("BRA", "CHN", "USA", "MEX", "CAN", "KOR", "DEU", "TUR", "JPN", "IND")

# Nomes dos países
country_names <- c(
 "BRA" = "Brasil", "CHN" = "China", "USA" = "Estados Unidos",
 "MEX" = "México", "CAN" = "Canadá", "KOR" = "Coreia do Sul",
 "DEU" = "Alemanha", "TUR" = "Turquia", "JPN" = "Japão", "IND" = "Índia"
)

geo_cepii_path <- file.path(base_dir, "geo_cepii.xls")


# Carregar dados geográficos do CEPII
geo_cepii <- read_excel(geo_cepii_path)
  
# Filtrar países da amostra (apenas capitais: cap == 1)
country_coords <- geo_cepii %>%
  filter(iso3 %in% sample_iso, cap == 1) %>%
  mutate(country_name = country_names[iso3]) %>%
  select(
    iso = iso3,
    lat = lat,
    lng = lon,
    country_name
    )

# CARREGAMENTO DOS DADOS DESAGREGADOS

# Lista de arquivos desagregados (HS 4 dígitos)
comtrade_files <- c(
  "comtrade 7201-7210.csv",
  "comtrade 7211-7220.csv",
  "comtrade 7221-7229.csv",
  "comtrade 7301-7310.csv",
  "comtrade 7311-7320.csv",
  "comtrade 7321-7326.csv"
)

# Função para ler cada arquivo
read_comtrade_file <- function(filename) {
  filepath <- file.path(base_dir, filename)
  
  df <- read_csv(filepath,
                 col_types = cols(.default = col_character()),
                 na = c("", "N/A", "NA"),
                 show_col_types = FALSE) %>%
    mutate(
      refYear = as.numeric(refYear),
      fobvalue = as.numeric(fobvalue),
      cifvalue = as.numeric(cifvalue),
      netWgt = as.numeric(netWgt),
      cmdCode = as.character(cmdCode)
    ) %>%
    select(refYear, reporterISO, partnerISO, flowCode, 
           fobvalue, cifvalue, netWgt, cmdCode) %>%
    distinct()
  
  return(df)
}

# Ler todos os arquivos
comtrade_list <- list()
for(file in comtrade_files) {
  df <- read_comtrade_file(file)
  if(!is.null(df)) {
    comtrade_list[[file]] <- df
  }
}

# Consolidar
comtrade_raw <- bind_rows(comtrade_list)

# Processar dados de comércio
trade_data <- comtrade_raw %>%
  filter(
    reporterISO %in% sample_iso,
    partnerISO %in% sample_iso,
    reporterISO != partnerISO,
    refYear >= 2016,
    refYear <= 2024
  ) %>%
  mutate(
    trade_value = case_when(
      flowCode == "X" & !is.na(fobvalue) ~ fobvalue,
      flowCode == "M" & !is.na(cifvalue) ~ cifvalue,
      flowCode == "M" & is.na(cifvalue) & !is.na(fobvalue) ~ fobvalue,
      flowCode == "X" & is.na(fobvalue) & !is.na(cifvalue) ~ cifvalue,
      TRUE ~ NA_real_
    ),
    trade_quantity_tons = ifelse(!is.na(netWgt) & netWgt > 0, netWgt / 1000, NA_real_),
    exporter = ifelse(flowCode == "X", reporterISO, partnerISO),
    importer = ifelse(flowCode == "X", partnerISO, reporterISO),
    hs_chapter = substr(cmdCode, 1, 2),
    produto = ifelse(hs_chapter == "72", "HS 72 - Básicos", "HS 73 - Manufaturados")
  ) %>%
  filter(!is.na(trade_value), trade_value > 0, exporter != importer) %>%
  select(year = refYear, exporter, importer, hs_chapter, produto, trade_value, trade_quantity_tons) %>%
  group_by(year, exporter, importer, hs_chapter, produto) %>%
  summarise(
    trade_value = sum(trade_value, na.rm = TRUE),
    trade_quantity_tons = sum(trade_quantity_tons, na.rm = TRUE),
    .groups = "drop"
  )

# DADOS DE PRODUÇÃO (World Steel Association)
steel_path <- file.path(base_dir, "total_prod_cruse_steel_2016_2014.xlsx")
steel_production <- read_excel(steel_path, skip = 2)
first_col <- colnames(steel_production)[1]
steel_production <- steel_production %>%
  rename(country = !!sym(first_col)) %>%
  pivot_longer(cols = -country, names_to = "year", values_to = "production_kt") %>%
  mutate(year = as.numeric(year), production_kt = as.numeric(production_kt)) %>%
  filter(!is.na(year), year >= 2016, year <= 2024)

country_mapping <- c(
  "Brazil" = "BRA", "China" = "CHN", "United States" = "USA",
  "Mexico" = "MEX", "Canada" = "CAN", "South Korea" = "KOR",
  "Germany" = "DEU", "Türkiye" = "TUR", "Turkey" = "TUR",
  "Japan" = "JPN", "India" = "IND"
)

world_production <- steel_production %>%
  filter(country == "World") %>%
  select(year, world_production_kt = production_kt)

production_data <- steel_production %>%
  mutate(iso = country_mapping[country]) %>%
  filter(!is.na(iso), iso %in% sample_iso) %>%
  left_join(world_production, by = "year") %>%
  mutate(
    # Os dados da World Steel estão em milhares de toneladas (kt)
    # Dividir por 1000 para obter milhões de toneladas (Mt)
    production_mt = production_kt / 1000,
    world_production_mt = world_production_kt / 1000,
    pct_world = (production_kt / world_production_kt) * 100,
    country_name = country_names[iso]
  ) %>%
  filter(!is.na(country_name))


# DATASETS DERIVADOS

# Exportações do Brasil
exports_brasil <- trade_data %>%
  filter(exporter == "BRA", importer != "BRA") %>%
  mutate(
    partner_name = country_names[importer],
    periodo = ifelse(year >= 2018, "Pós-2018", "Pré-2018")
  )

# Importações do Brasil
imports_brasil <- trade_data %>%
  filter(importer == "BRA", exporter != "BRA") %>%
  mutate(
    partner_name = country_names[exporter],
    periodo = ifelse(year >= 2018, "Pós-2018", "Pré-2018")
  )

# Totais para value boxes
total_exp <- sum(exports_brasil$trade_value, na.rm = TRUE) / 1e9
total_imp <- sum(imports_brasil$trade_value, na.rm = TRUE) / 1e9
saldo_total <- total_exp - total_imp
prod_media_bra <- production_data %>%
  filter(iso == "BRA") %>%
  summarise(m = mean(production_mt, na.rm = TRUE)) %>%
  pull(m)

# Total quantidade em milhões de toneladas
total_exp_tons <- sum(exports_brasil$trade_quantity_tons, na.rm = TRUE) / 1e6
total_imp_tons <- sum(imports_brasil$trade_quantity_tons, na.rm = TRUE) / 1e6
```

Visão Geral
=====================================

Row {data-height=120}
-------------------------------------

### Total Exportações Brasil
```{r}
valueBox(sprintf("US$ %.2f bi", total_exp), icon = "fa-arrow-up", color = "success")
```

### Total Importações Brasil
```{r}
valueBox(sprintf("US$ %.2f bi", total_imp), icon = "fa-arrow-down", color = "warning")
```

### Saldo Comercial
```{r}
valueBox(sprintf("US$ %.2f bi", saldo_total),
        icon = ifelse(saldo_total >= 0, "fa-plus-circle", "fa-minus-circle"),
        color = ifelse(saldo_total >= 0, "success", "danger"))
```

### Produção Brasil (Mt/ano)
```{r}
valueBox(sprintf("%.1f Mt", prod_media_bra), icon = "fa-industry", color = "info")
```

Row {data-height=450}
-------------------------------------

### Gráfico 1: Evolução do Comércio de Aço do Brasil

```{r}
# Exportações agregadas por ano
exp_agg <- exports_brasil %>%
 group_by(year) %>%
 summarise(valor = sum(trade_value, na.rm = TRUE) / 1e6, .groups = "drop")

# Importações agregadas por ano
imp_agg <- imports_brasil %>%
 group_by(year) %>%
 summarise(valor = sum(trade_value, na.rm = TRUE) / 1e6, .groups = "drop")

# Plotly nativo
plot_ly() %>%
  add_trace(data = exp_agg, x = ~year, y = ~valor, type = 'scatter', mode = 'lines+markers',
            name = 'Exportações', line = list(color = '#2E86AB', width = 3),
            marker = list(color = '#2E86AB', size = 10)) %>%
  add_trace(data = imp_agg, x = ~year, y = ~valor, type = 'scatter', mode = 'lines+markers',
            name = 'Importações', line = list(color = '#E94F37', width = 3),
            marker = list(color = '#E94F37', size = 10)) %>%
  layout(
    title = list(text = "Evolução do Comércio Brasileiro de Aço (2016-2024)<br><sub>Valores em milhões de USD</sub>"),
    xaxis = list(title = "Ano", tickmode = "linear", tick0 = 2016, dtick = 1),
    yaxis = list(title = "Valor (Milhões USD)", tickformat = ","),
    legend = list(orientation = "h", y = -0.15, x = 0.3),
    shapes = list(
      list(type = "line", x0 = 2018, x1 = 2018, y0 = 0, y1 = max(c(exp_agg$valor, imp_agg$valor)) * 1.05,
           line = list(color = "red", width = 2, dash = "dash"))
    ),
    annotations = list(
      list(x = 2018.3, y = max(c(exp_agg$valor, imp_agg$valor)) * 0.95,
           text = "Guerra<br>Comercial", showarrow = FALSE, font = list(color = "red", size = 12))
    ),
    hovermode = "x unified"
  )
```

Row {data-height=430}
-------------------------------------

### Gráfico 2: Top Parceiros por Volume Total

```{r}
# Top parceiros por volume total (exp + imp)
top_partners <- trade_data %>%
  filter(exporter == "BRA" | importer == "BRA") %>%
  mutate(
    partner = ifelse(exporter == "BRA", importer, exporter),
    flow_type = ifelse(exporter == "BRA", "Exportação", "Importação")
  ) %>%
  group_by(partner, flow_type) %>%
  summarise(valor = sum(trade_value) / 1e6, .groups = "drop")

plot_ly(top_partners, 
        x = ~valor, 
        y = ~reorder(partner, valor),
        color = ~flow_type,
        type = 'bar',
        orientation = 'h') %>%
  layout(
    title = "Principais Parceiros Comerciais do Brasil em Aço (2016-2024)",
    xaxis = list(title = "Valor (Milhões USD)"),
    barmode = 'group'
  )
```

### Gráfico 3: Impacto - Pré vs Pós Guerra Comercial

```{r}
compare_data <- bind_rows(
 exports_brasil %>% mutate(fluxo = "Exportação"),
 imports_brasil %>% mutate(fluxo = "Importação")
) %>%
 group_by(periodo, fluxo) %>%
 summarise(
   valor_total = sum(trade_value, na.rm = TRUE),
   n_anos = n_distinct(year),
   valor_medio = valor_total / n_anos / 1e6,
   .groups = "drop"
 )

# Variação percentual
var_pct <- compare_data %>%
 select(periodo, fluxo, valor_medio) %>%
 pivot_wider(names_from = periodo, values_from = valor_medio) %>%
 mutate(variacao = (`Pós-2018` / `Pré-2018` - 1) * 100)

var_exp <- var_pct$variacao[var_pct$fluxo == "Exportação"]
var_imp <- var_pct$variacao[var_pct$fluxo == "Importação"]

pre <- compare_data %>% filter(periodo == "Pré-2018")
pos <- compare_data %>% filter(periodo == "Pós-2018")

plot_ly() %>%
  add_trace(data = pre, x = ~fluxo, y = ~valor_medio, type = 'bar', name = 'Pré-2018',
            marker = list(color = '#7570b3'),
            text = ~paste0(round(valor_medio, 0), " mi"), textposition = 'outside') %>%
  add_trace(data = pos, x = ~fluxo, y = ~valor_medio, type = 'bar', name = 'Pós-2018',
            marker = list(color = '#1b9e77'),
            text = ~paste0(round(valor_medio, 0), " mi"), textposition = 'outside') %>%
  layout(
    title = list(text = paste0("Impacto Quantitativo da Guerra Comercial<br><sub>Exportação: ", 
                               sprintf("%+.1f%%", var_exp), 
                               " | Importação: ", sprintf("%+.1f%%", var_imp), "</sub>")),
    xaxis = list(title = ""),
    yaxis = list(title = "Milhões USD/ano (média)", tickformat = ","),
    barmode = 'group',
    legend = list(orientation = "h", y = -0.15, x = 0.3)
  )
```

Mapa Interativo
=====================================

Row {data-height=80}
-------------------------------------

### Sobre o Mapa

O mapa mostra os fluxos comerciais de aço do Brasil (2016-2024). Tamanho dos círculos = volume de comércio. **Azul** = superávit do Brasil, **Vermelho** = déficit. Clique nos marcadores para detalhes.

Row {data-height=920}
-------------------------------------

### Mapa de Fluxos Comerciais do Brasil

```{r}
# Totais por parceiro
exp_totals <- exports_brasil %>%
 group_by(importer) %>%
 summarise(
   export_value = sum(trade_value, na.rm = TRUE) / 1e6,
   export_tons = sum(trade_quantity_tons, na.rm = TRUE) / 1e3,
   .groups = "drop") %>%
 rename(iso = importer)

imp_totals <- imports_brasil %>%
 group_by(exporter) %>%
 summarise(
   import_value = sum(trade_value, na.rm = TRUE) / 1e6,
   import_tons = sum(trade_quantity_tons, na.rm = TRUE) / 1e3,
   .groups = "drop") %>%
 rename(iso = exporter)

map_data <- country_coords %>%
 left_join(exp_totals, by = "iso") %>%
 left_join(imp_totals, by = "iso") %>%
 mutate(
   export_value = replace_na(export_value, 0),
   import_value = replace_na(import_value, 0),
   export_tons = replace_na(export_tons, 0),
   import_tons = replace_na(import_tons, 0),
   total_trade = export_value + import_value,
   saldo = export_value - import_value,
   popup_text = paste0(
     "<b>", country_name, "</b><br>",
     "Exportações BRA→", iso, ": US$ ", format(round(export_value, 1), big.mark = ","), " mi",
     " (", format(round(export_tons, 0), big.mark = ","), " mil t)<br>",
     "Importações ", iso, "→BRA: US$ ", format(round(import_value, 1), big.mark = ","), " mi",
     " (", format(round(import_tons, 0), big.mark = ","), " mil t)<br>",
     "<b>Saldo: US$ ", format(round(saldo, 1), big.mark = ","), " mi</b>"
   )
 ) %>%
 filter(iso != "BRA", total_trade > 0)

brasil_data <- country_coords %>% filter(iso == "BRA")

leaflet() %>%
 addTiles() %>%
 setView(lng = -40, lat = 10, zoom = 2) %>%
 addCircleMarkers(
   data = brasil_data,
   lng = ~lng, lat = ~lat, radius = 20,
   color = "#009C3B", fillColor = "#009C3B", fillOpacity = 0.8,
   popup = "<b>BRASIL</b><br>País de referência"
 ) %>%
 addCircleMarkers(
   data = map_data,
   lng = ~lng, lat = ~lat,
   radius = ~pmin(sqrt(total_trade) / 3 + 5, 25),
   color = ~ifelse(saldo > 0, "#2E86AB", "#E94F37"),
   fillColor = ~ifelse(saldo > 0, "#2E86AB", "#E94F37"),
   fillOpacity = 0.7,
   popup = ~popup_text,
   label = ~country_name
 ) %>%
 addLegend(
   position = "bottomright",
   colors = c("#009C3B", "#2E86AB", "#E94F37"),
   labels = c("Brasil", "Superávit BR", "Déficit BR"),
   title = "Saldo Comercial", opacity = 0.8
 )
```

Análise Detalhada
=====================================

Row
-------------------------------------

### Tabela Interativa: Fluxos Comerciais por País e Produto

```{r}
# Agregações com quantidade
exp_agg_tab <- exports_brasil %>%
 group_by(partner_name, produto) %>%
 summarise(
   valor_exp = sum(trade_value, na.rm = TRUE),
   tons_exp = sum(trade_quantity_tons, na.rm = TRUE),
   .groups = "drop"
 )

imp_agg_tab <- imports_brasil %>%
 group_by(partner_name, produto) %>%
 summarise(
   valor_imp = sum(trade_value, na.rm = TRUE),
   tons_imp = sum(trade_quantity_tons, na.rm = TRUE),
   .groups = "drop"
 )

tabela <- full_join(exp_agg_tab, imp_agg_tab, by = c("partner_name", "produto")) %>%
 mutate(
   valor_exp = replace_na(valor_exp, 0),
   valor_imp = replace_na(valor_imp, 0),
   tons_exp = replace_na(tons_exp, 0),
   tons_imp = replace_na(tons_imp, 0),
   saldo = valor_exp - valor_imp
 ) %>%
 filter(!is.na(partner_name)) %>%
 arrange(desc(valor_exp + valor_imp)) %>%
 mutate(
   `País` = partner_name,
   `Produto` = produto,
   `Exp (Mi USD)` = round(valor_exp / 1e6, 1),
   `Imp (Mi USD)` = round(valor_imp / 1e6, 1),
   `Exp (mil t)` = round(tons_exp / 1e3, 0),
   `Imp (mil t)` = round(tons_imp / 1e3, 0),
   `Saldo (Mi USD)` = round(saldo / 1e6, 1)
 ) %>%
 select(`País`, `Produto`, `Exp (Mi USD)`, `Exp (mil t)`, `Imp (Mi USD)`, `Imp (mil t)`, `Saldo (Mi USD)`)

DT::datatable(
 tabela,
 options = list(
   pageLength = 15, 
   scrollX = TRUE, 
   dom = 'frtip',
   language = list(
     search = "Buscar:",
     lengthMenu = "Mostrar _MENU_ linhas",
     info = "Mostrando _START_ a _END_ de _TOTAL_ linhas",
     paginate = list(previous = "Anterior", `next` = "Próximo")
   )
 ),
 rownames = FALSE,
 filter = 'top',
 caption = "Fluxos comerciais de aço do Brasil (2016-2024) - Use os filtros acima para explorar os dados"
) %>%
 DT::formatStyle('Saldo (Mi USD)',
                 color = DT::styleInterval(0, c('#E94F37', '#2E86AB')),
                 fontWeight = 'bold')
```

Conclusões
=====================================

Row
-------------------------------------

### Principais Conclusões

**Contexto**

Este dashboard analisa o comércio brasileiro de produtos siderúrgicos (HS 72 - Ferro e Aço básicos, e HS 73 - Obras de Ferro e Aço manufaturados) no período 2016-2024, abrangendo o período anterior e posterior à guerra comercial EUA-China iniciada em março de 2018.

A análise utiliza **dados desagregados** em nível HS 4-dígitos de 10 países que representam aproximadamente 75% do comércio mundial de aço.

---

**Estrutura do Dashboard**

- **4 Value Boxes:** Indicadores-chave do comércio brasileiro
- **3 Gráficos Interativos:** Evolução temporal, principais parceiros comerciais, e impacto quantitativo
- **1 Mapa Interativo:** Visualização geográfica dos fluxos comerciais
- **1 Tabela Dinâmica:** Dados detalhados por país e produto com filtros

---

**Principais Achados**

1. **Impacto Quantitativo da Guerra Comercial:**
   - **Exportações:** Aumento de 52.7% após 2018, impulsionado pelo acordo de cotas com os EUA
   - **Importações:** Aumento de 52.5% após 2018, principalmente devido ao desvio de comércio chinês

2. **Principais Fluxos Bilaterais:**
   - **Brasil → EUA:** Principal destino das exportações brasileiras de aço
   - **China → Brasil:** Principal origem das importações, com crescimento expressivo pós-2018

3. **Decomposição Quantidade-Preço:**
   - Aproximadamente **90-92% do aumento** representa volume físico real
   - Apenas 8-10% é explicado por variação de preços (inflação)

4. **Composição por Produto:**
   - Produtos básicos (HS 72) dominam as exportações brasileiras
   - Produtos manufaturados (HS 73) têm maior participação nas importações

5. **Posição do Brasil:**
   - 9º maior produtor mundial de aço
   - Produção média de ~33 milhões de toneladas/ano
   - Representa cerca de 1.8% da produção mundial

---

**Evidência de Trade Diversion**

O dashboard mostra claramente dois mecanismos de **desvio de comércio** (trade diversion):

- **Trade creation:** Brasil aumentou exportações para EUA após tarifas sobre China
- **Trade deflection:** China redirecionou exportações bloqueadas nos EUA para mercados alternativos, incluindo Brasil

---

**Fontes de Dados**

- **UN COMTRADE:** Fluxos bilaterais de comércio - dados desagregados HS 4-dígitos  
  Acesso: https://comtradeplus.un.org/ (consultado em outubro de 2025)

- **World Steel Association:** Produção de aço por país (2016-2024)  
  Acesso: https://worldsteel.org/ (consultado em outubro de 2025)

- **CEPII GeoDist:** Coordenadas geográficas das capitais e distâncias bilaterais  
  Acesso: https://www.cepii.fr/CEPII/en/bdd_modele/bdd_modele_item.asp?id=41 (consultado em setembro de 2025)


---

**Referências Acadêmicas**

- Amiti, M., Redding, S. J., & Weinstein, D. E. (2019). The Impact of the 2018 Tariffs on Prices and Welfare. *Journal of Economic Perspectives*, 33(4), 187-210.

- Fajgelbaum, P. D., Goldberg, P. K., Kennedy, P. J., & Khandelwal, A. K. (2020). The Return to Protectionism. *Quarterly Journal of Economics*, 135(1), 1-55.

---